基于工业相机+FPGA+计算机模式的纸病二次辨识方法

为切实有效解决既有纸病检测系统数据处理不到位等一系列问题,基于工业相机+FPGA+计算机模式提出了纸病二次辨识方法,具体即FPGA通过纸张图像预处理、纸病粗略判断、提取疑似纸病区域、传输疑似纸病区域于计算机等程序,负责完成纸病一次辨识;再由计算机通过多特征量提取、以自适应神经模糊推理系统精确辨识纸病等流程,负责完成纸病二次精确辨识。结果表明,此方法不仅纸病辨别准确率高且具备一定鲁棒性;基于FPGA系统并行算法不仅可迅速实现图像一次辨识,还可显著提升后续计算机的图像二次辨识速度,从而将进一步提高纸病标识与产品复卷剔除的精确度。     

基于PCA的纸病特征再提取算法研究

针对传统纸病检测中相似纸病辨识准确率低及纸病提取特征维数高致使纸病辨识过程时间较长的问题,提出一种基于主成分分析（PCA）的纸病特征再提取算法。该算法以多种纸病的图像为研究对象,对可能存在相关关系的高维原始纸病特征量进行PCA降维处理并去除相关成分,形成相互独立且更具代表性的纸病新特征,在减少数据处理量的同时使纸病辨识准确率明显提高。实验表明,PCA算法可显著提高纸病辨识准确率并可大幅缩短算法平均运行时间。     

基于两次二维Daubechies小波变换的纸病在线辨识方法研究

针对造纸生产线上纸病在线检测系统光源不均匀性和纸病难以识别的问题,通过建立纸病图像背景模型实现动态补偿光源的不均匀成分,并根据不同纸病图像的灰度分布规律,两次使用二维小波变换增强其灰度轮廓信息和提取灰度特征,以实现纸病的在线辨识。实验结果表明,该方法可以显著提高纸病辨识精度。     

基于自适应神经模糊推理系统的纸病二次辨识

针对造纸生产线上宽幅高速纸机纸病检测系统快速性和精确性的挑战,提出"工业相机+FPGA(Field-Programmable Gate Array)+计算机"模式下的基于自适应神经模糊推理系统的纸病二次辨识方法。使用CCD相机采集纸张图像,通过FPGA完成图像预处理和一次辨识(粗辨识+过辨识);计算机通过自适应神经模糊推理系统(ANFIS)对疑似纸病区域二次辨识(精确辨识),判断出纸病和种类。实验表明,该方法能够准确地辨识各种纸病。     

基于改进YOLOv5的纸病检测方法

针对传统纸病检测算法中纸病特征提取困难、实时性差的问题,提出一种改进YOLOv5的纸病检测方法。该方法首先在批量归一化模块的首尾部分添加居中和缩放校准,形成更稳定的纸病有效特征分布;其次在骨干网络中添加坐标注意力机制,增强骨干网络的纸病特征提取能力;最后选用 CIoU_loss作为边界框回归的损失函数,实现高精度的定位。实验结果表明,改进后的算法平均精度达99.02%,实时检测速度达41.58 帧/s,相较于现有的基于CNN纸病分类算法,检测精度与检测速度都有较大的提升,且改进后的算法对光源的依赖程度更低,能对各类纸病实现精准辨识。     

基于SVD和SVM的复杂背景噪声图像的纸病辨识

针对纸病图像的复杂背景噪声造成的纸病辨识结果不理想的问题,提出一种基于奇异值分解(SVD)和支持向量机(SVM)的纸病辨识方法：首先利用多层二维小波对纸病图像背景噪声去噪,然后用SVD对纸病进行特征提取,最后采用SVM对纸病进行辨识。实验结果表明,该方法可以有效辨识纸病,且不受实际生产过程中图像复杂背景噪声的影响。     

基于几何及灰度特征的纸病检测算法研究

针对当前纸病在线检测系统实时性强和信息量大的特点,提出了一种高效、灵活的基于几何及灰度特征的纸病检测算法.首先采用邻域均值法对纸病图像去噪,然后根据灰度直方图选取合适阈值将图像二值化,并运用边界跟踪法检测出纸病边缘,最后提取出纸病的几何及灰度特征并分析其特征量将纸病分类.按照该算法依次对常见5种纸病进行检测,结果表明,基于几何及灰度特征的纸病检测算法能够准确地检测并分类常见纸病.     

马尔可夫随机场在纸病检测中的应用研究

纸病检测是造纸生产过程中重要的环节,现有的纸病检测系统一般采用阈值算法或边缘检测算法对图像进行分割。为解决阈值分割和边缘检测分割方式中存在的误分以及过度分割问题,本研究提出了基于马尔可夫（MarKov）随机场的纸病图像分割方法。通过MarKov随机场理论对纸病图像纹理进行分析得到纹理特征参数,利用纹理特征参数以及最大差值对正常背景和纸病区域进行分割。结果表明,相比于其他分割算法,基于MarKov随机场的纸病图像分割方法可有效提取出纸病图像的纹理细节和轮廓特征,提高分割的准确度。     

基于RPCA的纸病图像分割算法

针对实际纸病检测应用中采集到的图像分辨率越来越高,在图像处理过程中出现数据维数过大的问题,提出一种基于鲁棒主成分分析法(Robust Principal Component Analysis,RPCA)的纸病图像分割算法,该算法将纸病图像对应的矩阵分解成稀疏矩阵和低秩矩阵。在后续检测中只需选取稀疏矩阵对应的图像进行检测就可以满足纸病检测的要求,有效减少了计算量,最终节省了整个纸病检测环节的检测时间。仿真结果表明,该方法可用于纸病图像的分割,并且具有良好的分割效果。     

基于粒子群优化算法与形态学的纸病图像检测方法

针对传统边缘检测算子对纸病图像检测的不足,提出了一种基于粒子群优化算法和数学形态学的边缘检测方法。首先通过粒子群优化算法得到图像最优分割阈值,将图像二值化,然后利用数学形态学中的腐蚀运算对纸病图像进行边缘检测。仿真结果表明,相比传统算法,该方法的检测结果更真实地反映了纸病图像的形态特征,且边缘定位准确,取得了较为理想的检测效果。     

基于改进CNN和数据扩充的苹果表面缺陷检测

目的:提高苹果表面缺陷的检测准确率和效率。方法:基于改进卷积神经网络(CNN)和数据扩充建立苹果表面缺陷检测方法。改建CNN的拓扑结构,并将其用于苹果表面缺陷检测;利用条件生成对抗网络,合成表面无缺陷和有缺陷苹果图像,实现图像数据扩充和提高改进CNN的苹果表面缺陷的识别性能;通过模型剪枝,合理权衡苹果表面缺陷的检测准确率、检测时间及节能限制,以提高所提方法的实用性。结果:当改进CNN中的解释层选用2 048个解释性神经元时,平均检测准确率最高;条件生成对抗网络增强了苹果图像数据集的多样性;随着增强图像数在测试数据集中占比的增加,所提方法对苹果表面缺陷的检测准确率不断升高;当剪枝后的模型尺寸占原始模型尺寸的百分比从100%降至50%时,可以以6.96%的准确率损失将苹果表面缺陷的检测效率提升1倍。结论:试验方法有望在苹果生产和加工过程中实现自动化缺陷检测。     

基于深度学习的织物疵点检测研究进展

为提高疵点检测的准确性和通用性,实现使用简洁而有效的形式对织物图像的特点和疵点的本质特征进行综合表达,首先,介绍了深度学习技术,对引入了深度学习的疵点检测方法进行综述,同时对深度学习与疵点检测的内在关系进行阐述;然后,分析总结了深度学习的概念及代表性的计算模型,并对引入深度学习的疵点检测方法进行归纳、总结和分类;最后,对典型的方法进行了分析,讨论了各种方法的优缺点,并对未来的研究趋势进行了展望。指出：随着深度学习的发展,探索更加通用的检测方法是推进深度学习在织物疵点检测领域应用的努力方向。     

基于视觉显著性的平纹织物疵点检测

受检测环境及疵点特点影响,传统的检测算法难以满足疵点动态检测。本文提出基于视觉显著性疵点动态检测的新方法。首先,对采集图像进行特征提取形成特征图;其次,对特征图进行小波多层分解形成特征子图;在此基础上,对分解后的特征子图进行中央周边操作构建特征差分子图;然后,通过特征差分子图的融合策略形成显著图;最后,采用阀值法分割出兴趣区,并通过区域生长分割出疵点目标。试验结果表明,该方法能够完整检测出平纹织物疵点信息,并且具有较强的抗干扰能力。     

基于位平面的纸病检测算法研究

针对当前纸病检测算法存在抗干扰能力差、定位不准确和运算复杂等问题,提出一种基于位平面的纸病检测算法。首先,采用自适应中值滤波算法对纸病图像进行滤波,然后,对滤波后的图像进行位平面分解,并运用格雷码对位平面加以增强,最后,使用数学形态学对其进行边缘检测,得到最终的纸病检测结果。仿真结果表明：该方法运算简单,能够较好地检测出纸病缺陷,并具有较好的抗干扰性和定位准确性。     

基于Prewitt算子与形态学的纸病图像检测方法

针对Prewitt算子在检测中存在的边缘不连续性的问题,提出一种基于Prewitt算子和数学形态学的纸病图像边缘检测方法。首先利用Prewitt算子对纸病图像进行处理,然后将处理后的图像进行形态学的闭运算。实验表明,该方法结合了两种检测方法的优点,有效地提高了边缘检测的准确性,得到了比较理想的纸病边缘检测效果。     

基于改进CNN的苹果缺陷检测方法研究

目的:解决现有苹果缺陷检测方法存在的精度低、效率差等问题。方法:基于水果图像采集系统,提出一种改进的卷积神经网络用于苹果表面缺陷检测;引入深度可分离卷积代换原网络标准卷积,提高特征提取速度;引入Leaky ReLU激活函数代替ReLU激活函数,提高计算效率和精度;引入全局平均池化替换全连接层,降低网络模型的计算量;并在每层卷积后加入批量归一化层,通过试验与常规方法进行对比分析,验证其优越性。结果:与常规方法相比,所提方法在苹果缺陷检测中具有较高的检测准确率和速度,且模型参数量少,准确率达99.60%,检测速度(每秒帧数)达526,模型参数量为389 072。结论:该苹果缺陷检测方法能有效降低模型参数和检测时间,具有较高的准确率和速度。     

基于低秩分解的织物疵点检测

针对传统低秩分解法导致的图像信息过度丢失和织物弹性导致的歪斜问题,提出一种基于Beta范数的改进低秩分解检测方法。首先,通过提取织物图的基元特征构造先验信息图。其次,采用Beta范数代替低秩分解中的核范数,并由先验信息图引导低秩分解方法对织物图进行分解,解决了传统低秩分解方法中核范数导致的图像信息过度丢失的问题。进而,提取织物图的方向梯度直方图(HOG)特征构造后验信息图,并将后验信息图和通过低秩分解得到的稀疏分量进行哈达玛乘积获得显著图,解决了织物弹性导致的歪斜问题。最后,利用最优阈值分割得到疵点图。将实验结果与已有的4种方法进行对比,结果表明,该方法可以有效抑制歪斜干扰,且检测时间更短。     

Fabric defect detection based on the saliency map construction of target-driven feature

In inspection of fabric surface quality in production line, small defects have to be detected in a large background. In this paper, a new method is put forward to detect fabric surface defect by target-driven features. First of all, surface defect feature of fabric is analyzed; and then, area feature of and number feature of defects are used as tasks, which drive to enhance saliency of defective regions and to form feature saliency maps; finally, by using threshold segmentation, fusion, and filtering, fabric defect is gained from the feature saliency maps. Experiments show that the detection algorithm, compared with classic defect algorithm, can achieve accurate segmentation of the surface defects, better anti-noise ability, higher detection accuracy, which has a strong applicability on the fabric defect detection, and provides the possibility for realizing automatic detection of textile industrial product surface defect.